Ein personalisiertes Zero-Shot-ECG-Arrhythmie-Monitoring-System: Von der dünnbesetzten Darstellungsbasierten Domänenanpassung zur energieeffizienten Erkennung abnormer Schläge für praktische EKG-Überwachung

Dieses Papier schlägt ein kostengünstiges und hochgenaues EKG-Monitoring-System vor, das für die personalisierte frühzeitige Erkennung von Arrhythmien bei tragbaren mobilen Sensoren entwickelt wurde. Frühere überwachte Ansätze für personalisiertes EKG-Monitoring erfordern sowohl abnorme als auch normale Herzschläge zur Schulung des dedizierten Klassifikators. Allerdings sind in einer realen Situation, in der der personalisierte Algorithmus in einem tragbaren Gerät eingebettet ist, solche Trainingsdaten für gesunde Menschen ohne Vorliegen von Herzkrankheiten nicht verfügbar. In dieser Studie (i) schlagen wir eine Nullraumanalyse auf dem durch dünnes Wörterbuchlernen erhaltenen gesunden Signalraum vor und untersuchen, wie eine einfache Nullraumbildung oder alternativ klassifizierungsverfahren basierend auf regulierten kleinsten Quadraten die Rechenkomplexität reduzieren können, ohne die Erkennungspräzision zu beeinträchtigen, im Vergleich zu klassifizierungsverfahren basierend auf dünnem Darstellungsspektrum. (ii) Anschließend führen wir eine Technik zur dünnen Darstellungsbasierten Domänenanpassung ein, um die abnormen und normalen Signale anderer existierender Benutzer in den Signalraum des neuen Benutzers zu projizieren. Dies ermöglicht es uns, den dedizierten Klassifikator zu trainieren, ohne irgendeinen abnormen Herzschlag des neuen Benutzers zu benötigen. Dadurch kann Zero-Shot-Lernen erreicht werden, ohne synthetische abnorme Herzschläge generieren zu müssen. Eine umfangreiche Reihe von Experimenten am Benchmark-Datensatz MIT-BIH EKG zeigt, dass die Methode mit einem einfachen 1D-CNN-Klassifikator signifikant bessere Ergebnisse erzielt als frühere Arbeiten. (iii) Schließlich kombinieren wir (i) und (ii), um einen Ensemble-Klassifikator vorzuschlagen, der die Leistung weiter verbessert. Dieser Ansatz zur Zero-Shot-Erkennung von Arrhythmien erreicht eine durchschnittliche Präzision von 98,2 % und einen F1-Score von 92,8 %. Abschließend wird ein personalisierter energieeffizienter EKG-Monitoring-Plan unter Verwendung der oben genannten Innovationen vorgeschlagen.Anmerkungen:- "Null space" wurde als "Nullraum" übersetzt.- "Sparse dictionary learning" wurde als "dünnes Wörterbuchlernen" übersetzt.- "Sparse representation-based classification" wurde als "Klassifizierung basierend auf dünnem Darstellungsspektrum" übersetzt.- "Zero-shot learning" wurde direkt als "Zero-Shot-Lernen" übersetzt.- "1D-CNN classifier" wurde als "1D-CNN-Klassifikator" übersetzt.- Die Struktur und Formulierung wurden angepasst, um sie natürlicher klingen zu lassen und gleichzeitig den wissenschaftlichen Ton beizubehalten.